Minilm L6 Danish Encoder

🚀 MiniLM-L6-danish-encoder

这是一个轻量级（约2200万个参数）的丹麦语自然语言处理 sentence-transformers 模型。它能将句子和段落映射到一个384维的密集向量空间，可用于聚类或语义搜索等任务。

最大序列长度为512个标记。该模型并非从头开始预训练，而是基于英文版本的 sentence-transformers/all-MiniLM-L6-v2 ，使用 丹麦语分词器 进行了调整。

该模型在从英文机器翻译为丹麦语的ELI5和SQUAD数据上进行了训练。

⚠️ 重要提示

有新版本可用，在更多数据上进行了训练，其他方面与 KennethTM/MiniLM-L6-danish-encoder-v2 相同。

🚀 快速开始

📦 安装指南

若要使用该模型，你需要安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

安装 sentence-transformers 后，使用该模型变得十分简单：

from sentence_transformers import SentenceTransformer
sentences = ["Kører der cykler på vejen?", "En panda løber på vejen.", "En mand kører hurtigt forbi på cykel."]

model = SentenceTransformer('KennethTM/MiniLM-L6-danish-encoder')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装 sentence-transformers ，你可以按以下方式使用该模型：首先，将输入数据传入Transformer模型，然后对上下文词嵌入应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Sentences we want sentence embeddings for
sentences = ["Kører der cykler på vejen?", "En panda løber på vejen.", "En mand kører hurtigt forbi på cykel."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('KennethTM/MiniLM-L6-danish-encoder')
model = AutoModel.from_pretrained('KennethTM/MiniLM-L6-danish-encoder')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)

📄 许可证

本项目采用MIT许可证。

📋 模型信息